Si votre organisation utilise l’intelligence artificielle (IA) et le machine learning (ML) à grande échelle, il y a de fortes chances que certains projets de deep learning soient en cours. L’intérêt pour le deep learning a récemment bondi, et celui-ci est devenu un facteur clé dans de nombreux secteurs d’activité.
Les rapports du secteur reflètent cet intérêt fulgurant pour le deep learning. Pour revenir quelques années en arrière, un rapport de 2018 intitulé How Companies Are Putting AI to Work through Deep Learning a révélé que seulement 28 % des entreprises interrogées utilisaient le deep learning. Mais l’enquête plus récente AI Adoption in the Enterprise 2021 a révélé que le pourcentage de répondants utilisant le deep learning avait plus que doublé, pour atteindre 67 %.
Cette utilisation croissante du deep learning se reflète également dans les dépenses. Gartner ne détaille pas spécifiquement les dépenses consacrées au deep learning, mais l’institut prévoit que le marché total de l’IA atteindra 62,5 milliards de dollars US en 2022. Cela représente une hausse de 21,3 % par rapport aux 51,5 milliards de dollars US dépensés en 20221.
Grand View Research affirme que la seule composante deep learning du marché de l’IA représentait 34,8 milliards de dollars US en 2021. L’institut estime en outre que les dépenses augmenteront de plus de 34,3 % par an entre 2022 et 2030.
Il est clair que le deep learning devient un secteur très lucratif. Mais qu’est-ce que le deep learning, exactement ?
À lire également : Top AI Software
Deep Learning, Machine Learning and Artificial Intelligence
Avant de pouvoir comprendre le deep learning, il faut comprendre deux concepts fondamentaux : l’intelligence artificielle et le machine learning.
Intelligence artificielle désigne l’ensemble des technologies qui permettent aux machines de penser comme les humains. Cela inclut des capacités telles que la compréhension et la production des langues humaines, la description du contenu d’une image, la détermination de l’état émotionnel d’un locuteur et l’apprentissage de nouveaux concepts.
Machine learning est un sous-ensemble de l’intelligence artificielle. Il désigne l’ensemble des technologies qui permettent aux ordinateurs d’apprendre quelque chose de nouveau sans être explicitement programmés.
Le deep learning est un sous-ensemble du machine learning. Il désigne le ML qui s’effectue sur des réseaux neuronaux artificiels.
À lire également : The Future of Artificial Intelligence
Qu’est-ce que le deep learning ?
Plusieurs organisations ont proposé des définitions du deep learning. Mais nombre de ces définitions sont difficiles à comprendre sans connaissances en science des données.
Par exemple, Gartner affirme : « Le deep learning, une variante des algorithmes de machine learning, utilise plusieurs couches d’algorithmes pour résoudre des problèmes en extrayant des connaissances à partir de données brutes et en les transformant à chaque niveau. »
IBM propose une définition légèrement plus compréhensible :
Le deep learning tente d’imiter le cerveau humain — bien qu’il soit loin d’en égaler les capacités — afin de permettre aux systèmes de regrouper les données et d’effectuer des prédictions avec une précision remarquable. Le deep learning est un sous-ensemble du machine learning, qui est essentiellement un réseau neuronal comportant au moins trois couches. Ces réseaux neuronaux tentent de simuler le fonctionnement du cerveau humain — bien qu’ils soient loin d’en égaler les capacités — et lui permettent d’« apprendre » à partir de grandes quantités de données.
En substance, le deep learning cherche à permettre aux ordinateurs d’apprendre de la même manière que les bébés humains. À la naissance, un bébé ne sait rien. Les bébés utilisent les réseaux de neurones de leur cerveau pour recueillir des informations sur le monde qui les entoure et leur donner un sens, en tirant progressivement des conclusions sur ce monde.
Les systèmes de deep learning reposent sur des réseaux neuronaux artificiels conçus pour être très similaires aux neurones du cerveau des nourrissons. Ces réseaux comportent plusieurs couches qui permettent au système de traiter et de retraiter les données jusqu’à ce qu’il en apprenne les caractéristiques importantes.
À lire également : How AI is Altering Software Development with AI-Augmentation
Types de deep learning
Il est possible de répartir les différents types de deep learning en trois catégories, selon le type de données utilisé :
- Supervisé Le deep learning supervisé repose sur des données étiquetées. Dans ce type de deep learning, on fournit au modèle de données de nombreuses données différentes et on lui indique ce qu’elles représentent. L’ordinateur apprend ensuite de lui-même quelles caractéristiques font tomber les données dans une catégorie ou une autre, afin de pouvoir extrapoler seul. L’équivalent humain est celui d’adultes qui montrent différents objets à un bébé et lui en indiquent le nom. Au bout d’un certain temps, le bébé apprend seul ce qui distingue un « chien » d’un « biberon » ou d’un « livre ».
- Non supervisé Le deep learning non supervisé repose sur des données non étiquetées. Essentiellement, le système apprend par imitation. Un exemple connu est celui des systèmes de deep learning qui reçoivent des exemples d’œuvres d’art humaines, puis génèrent leurs propres œuvres. L’équivalent humain est celui d’un bébé qui apprend à produire des sons comme « mamamama » ou « dadadada » en imitant les adultes qu’il entend. Au fil du temps et grâce au renforcement, ces sons deviennent des mots reconnaissables porteurs de sens.
- Semi-supervisé Le deep learning semi-supervisé combine des données étiquetées et non étiquetées. C’est probablement ce qui se rapproche le plus de la manière dont les bébés apprennent réellement, avec un peu d’apprentissage explicite associé à beaucoup d’observation et d’imitation.
Chaque type de deep learning possède ses avantages et ses inconvénients. Le machine learning supervisé produit les résultats les plus rapides et les plus précis, mais il exige beaucoup de travail préparatoire de la part des personnes qui exploitent le système. Le machine learning non supervisé ne nécessite pas le même niveau de préparation, mais il est moins fiable et prend davantage de temps. Le machine learning semi-supervisé se situe entre les deux : il nécessite beaucoup moins de préparation que le machine learning entièrement supervisé, tout en produisant des résultats nettement plus fiables que le machine learning non supervisé.
À lire également : Top Digital Transformation Companies
Architectures de deep learning
Les réseaux neuronaux artificiels sur lesquels repose le deep learning peuvent prendre de nombreuses formes. Les expliquer entièrement nécessiterait un livre complet, mais voici de brèves descriptions de quelques-unes des architectures de deep learning les plus courantes :
- Réseaux neuronaux convolutifs Ils constituent probablement l’architecture de deep learning la plus utilisée, notamment pour le traitement d’images, mais ils nécessitent des unités de traitement graphique (GPU) et des capacités de traitement avancées pour effectuer les calculs complexes requis.
- Réseaux neuronaux à propagation avant Ils constituent le premier type de réseau neuronal artificiel ; ils transmettent les données dans une seule direction, sans boucle ni cycle.
- Réseaux neuronaux à fonction de base radiale Ils constituent un type de réseau neuronal à propagation avant comprenant une couche d’entrée, une couche d’activation à fonction de base radiale et une couche de sortie.
- Réseaux neuronaux récurrents Ils suivent une séquence temporelle et sont particulièrement utiles pour l’analyse de la parole et de l’écriture manuscrite.
- Réseaux neuronaux auto-organisateurs de Kohonen Ils sont utiles pour créer des cartes de caractéristiques à partir de données non supervisées.
- Réseaux neuronaux modulaires Ils comprennent une série de réseaux neuronaux indépendants qui peuvent être associés.
Les data scientists développent constamment de nouveaux types d’architectures, ainsi que des variantes des types existants ; la liste ne cesse donc de s’allonger et d’évoluer.
À lire également : Best Machine Learning Platforms
Cas d’usage du deep learning
Le deep learning est particulièrement utile pour les problèmes très complexes comportant de nombreuses variables différentes. Parmi les cas d’usage les plus courants figurent les suivants :
- Traitement du langage naturel Il permet aux systèmes informatiques de comprendre et de produire le langage humain. Il peut notamment inclure la conversion de la voix en texte, la conversion du texte en voix, la traduction automatique, l’étiquetage, la reconnaissance d’entités nommées et l’analyse des sentiments. Il permet des applications comme les assistants numériques (tels que Siri et Alexa), les chatbots, la détection des spams, l’analyse des réseaux sociaux et bien d’autres encore. Le deep learning aide les moteurs de traitement du langage naturel à s’améliorer au fil du temps en identifiant et en imitant les schémas du langage humain.
- Traitement d’images Il s’agit de l’une des utilisations les plus courantes du deep learning. Il permet un vaste éventail d’applications, notamment la biométrie et la reconnaissance faciale, l’analyse d’images médicales, les véhicules autonomes, l’identification de pièces défectueuses sur une chaîne de montage, l’amélioration de la netteté des images et même les filtres populaires sur les réseaux sociaux et les logiciels d’appel vidéo.
- Prévention de la fraude Elle gagne considérablement en précision lorsque les organisations utilisent des techniques de deep learning pour identifier les schémas anormaux dans les données commerciales et financières. Les établissements financiers, les distributeurs, les forces de l’ordre, les entreprises de transport et d’autres organisations utilisent le deep learning pour identifier et stopper rapidement les activités frauduleuses.
- Cybersécurité Les outils de cybersécurité ont traditionnellement un temps de retard sur les cybercriminels, qui développent sans cesse de nouvelles techniques pour contourner les mesures de prévention existantes. Les techniques de deep learning permettent aux logiciels de cybersécurité d’identifier les schémas attendus et inattendus du trafic réseau, ce qui rend possible la détection et la prévention d’attaques entièrement nouvelles que personne n’avait encore vues.
- Développement de médicaments Il devient beaucoup plus rapide lorsque les chercheurs emploient des techniques de deep learning. Pendant la pandémie de coronavirus, des scientifiques ont entraîné des modèles sur des jeux de données biochimiques, puis utilisé les algorithmes obtenus pour identifier des médicaments susceptibles de traiter la maladie. Ces mêmes techniques pourraient accélérer le développement de produits pharmaceutiques contre diverses maladies.
- Sciences du climat Les modèles de sciences du climat font intervenir un très grand nombre de variables, ce qui en fait des candidats idéaux pour les approches de deep learning. Ces techniques aident les scientifiques à affiner leurs modèles et à produire des prévisions plus précises.
- Jeux vidéo Ils utilisent largement les techniques de deep learning. Le deep learning permet aux développeurs de créer des personnages et des animations plus réalistes, d’améliorer les interactions audio et de développer des bots dont les capacités rivalisent avec celles des meilleurs joueurs humains.
- Analyse prédictive Elle est devenue un outil essentiel permettant aux entreprises d’élaborer des stratégies et d’optimiser leurs opérations. Si toute analyse prédictive ne nécessite pas le recours aux techniques de deep learning, leur application dans des situations comportant un grand nombre de variables et de vastes ensembles de données historiques peut produire d’excellents résultats.
Outils et services de deep learning
Comme le deep learning nécessite d’importantes capacités de calcul, de traitement graphique, de mémoire et de stockage, de nombreux projets de deep learning s’exécutent sur des systèmes de calcul haute performance ou dans le cloud public. La plupart des grands fournisseurs de cloud public proposent des offres de plateforme en tant que service (PaaS) prenant en charge le deep learning. Les options incluent :
- AWS SageMaker
- Google Cloud AI and Machine Learning Services
- Microsoft Azure Machine Learning
- IBM Watson Studio
- Oracle Machine Learning
Parmi les autres outils de deep learning populaires figurent les suivants :
L’avenir du deep learning
À l’avenir, le deep learning sera étroitement lié aux perspectives de l’IA dans son ensemble. De nombreux analystes estiment que l’intelligence artificielle se trouve actuellement à un tournant. Les entreprises ont fortement investi dans ces technologies, mais les initiatives d’IA n’atteignent pas toujours les résultats escomptés.
« Le marché des logiciels d’IA accélère, mais sa trajectoire à long terme dépendra de la progression de la maturité des entreprises en matière d’IA », explique Alys Woodward, directrice principale de recherche chez Gartner.
« La réussite des projets d’IA dépendra d’une sélection rigoureuse des cas d’usage, ajoute Woodward. Les cas d’usage qui apportent une valeur métier significative tout en pouvant être déployés à grande échelle afin de réduire les risques sont essentiels pour démontrer aux parties prenantes de l’entreprise l’impact des investissements dans l’IA. »
Les progrès du deep learning dépendent également largement du développement de matériels plus rapides, capables de traiter rapidement des jeux de données toujours plus volumineux. Certains chercheurs pensent que le développement de systèmes d’informatique quantique permettra à terme de créer des systèmes de deep learning dotés de capacités que nous ne pouvons même pas imaginer aujourd’hui.
En attendant l’arrivée de ces systèmes, les chercheurs continueront vraisemblablement d’affiner leurs techniques de deep learning et de mettre à l’échelle les systèmes de deep learning afin de traiter davantage de données et de trouver les réponses à un plus grand nombre de questions.